Niteesh014/Early-Sepsis-Detection-Using-ML

# 使用机器学习进行早期脓毒症检测 ## 项目概述 本项目使用 XGBoost 算法，利用 ICU 临床数据预测早期脓毒症风险。早期检测脓毒症有助于加速干预并改善患者预后。 ## 目标 构建一个分类模型，根据临床特征预测患者是否存在脓毒症风险。 ## 数据集 该模型使用 PhysioNet Challenge 2019 数据集进行训练和评估，该数据集包含用于早期脓毒症预测的 ICU 患者时间序列临床记录。 来源： Reyna MA 等人，PhysioNet Challenge 2019 – 基于临床数据的早期脓毒症预测。 https://physionet.org/content/challenge-2019/ ## 使用的技术 * Python * Pandas * NumPy * Scikit-learn * XGBoost * Matplotlib * Seaborn * Google Colab ## 工作流程 1. 数据收集 2. 数据清洗 3. 缺失值处理 4. 特征工程 5. 训练集与测试集划分 6. XGBoost 模型训练 7. 性能评估 ## 使用的模型 * XGBoost 分类器 ## 结果 该模型在历史 ICU 患者数据上进行了训练和评估，以识别脓毒症风险模式。 ## 仓库文件 * ESD_Using_ML.ipynb : 包含预处理、训练和评估的主 Notebook * README.md : 项目文档 ## 未来改进 * 超参数调优 * 使用 SHAP 进行模型可解释性分析 * 外部数据集验证 * 使用 Streamlit 进行 Web 部署 ## 免责声明 本项目仅供学术和研究目的使用，不适用于临床决策。 ## 模型性能 * ROC-AUC: 0.8911 * 准确率: 89.47% * 召回率 (脓毒症检测): 71.82% * 精确率: 38.11% * F1 分数: 49.80% * 使用阈值: 0.2956 该模型经过调整，优先考虑了早期脓毒症检测的召回率，这在临床筛查场景中至关重要。 ## 图像 ## ROC 曲线 ## 混淆矩阵 ## 特征重要性

标签：Apex, Google Colab, ICU临床数据, Matplotlib, NumPy, PhysioNet Challenge 2019, Python, ROC-AUC, Scikit-learn, Seaborn, XGBoost, 临床决策支持, 分类模型, 医学信息学, 医疗健康, 医疗数据分析, 学术研究项目, 数据清洗, 数据预处理, 无后门, 早期脓毒症预测, 时间序列分析, 机器学习, 特征工程, 疾病预测, 逆向工具, 重症监护, 预测建模